A deep learning approach for the diagnosis of intrauterine growth restriction using fetal heart rate signals

Cardiotocographic (CTG) technology enables continuous tracking of fetal heartbeats and allows the monitoring of additional parameters such as maternal contractions. Beyond the labor context, CTG is also employed for fetal well-being monitoring during pregnancy, by means of the fetal heart rate (FHR) and the tocographic (TOCO) signals analysis. Fetal distress, often caused by reduced oxygen availability, may compromise physiological growth, potentially causing intrauterine growth restriction (IUGR). Ante-partum cardiotocography helps monitor IUGR-affected fetuses. Challenges in defining IUGR push research towards predictive parameters. The use of artificial intelligence, machine learning, and deep learning presents potential solutions. This thesis aims to develop a classifier capable of distinguishing cardiotocographic signals originating from an IUGR fetus from those of a physiological. The proposed method is encapsulated in the concept of a two-step training process. The primary focus is on minimization data loss, which motivates the division into "suspicious" and "outcome" datasets, that is employed in order to distinguish for the presence of information at birth. The two datasets pose significant challenges: class imbalance and the presence of a bias in gestational age distributions. The proposed data preparation method aims to face these challenges. Essentially, the method involves fine-tuning: the initial training utilizes suspicious data to train the network, and the subsequent training utilizes data representing certain knowledge to refine its performance. The chosen network is a ResNet whom parameters have been tailored for the specific task. The overall results surpass the achievements of the current state-of-the-art methodologies that have delved into similar issues, reaching a balanced accuracy of 80%. Future developments should aim to enhance the robustness, interpretability, and efficiency of the proposed methodology, contributing to its applicability in real-world clinical scenarios.

La tecnologia cardiotocografica (CTG) consente il monitoraggio elettronico dei battiti cardiaci fetali e permette il monitoraggio di parametri aggiuntivi come le contrazioni materne. Oltre al contesto del parto, la CTG viene impiegata anche per il monitoraggio del benessere fetale durante la gravidanza, attraverso il battito cardiaco fetale e i segnali tocografici (TOCO). La sofferenza fetale, spesso causata dalla ridotta disponibilità di ossigeno, può compromettere la crescita fisiologica, causando potenzialmente un ritardo di crescita intrauterino (IUGR). La cardiotocografia ante-partum aiuta a monitorare i feti affetti da IUGR. Le sfide nella definizione dell'IUGR spingono la ricerca verso parametri predittivi. L'uso dell'intelligenza artificiale, in termini di machine learning e deep learning presenta una potenziale soluzione. Questa tesi mira a sviluppare un classificatore in grado di distinguere i segnali cardiotocografici provenienti da un feto con IUGR da quelli provenienti da un feto fisiologico.\\ Il metodo proposto è basato sul concetto di un processo di training in due fasi. L'attenzione principale è rivolta alla minimizzazione della perdita di dati, motivo per cui la divisione in dataset "sospetti" e "outcome" è impiegata per distinguere la presenza di informazioni alla nascita. I due dataset presentano sfide significative: sbilanciamento tra le classi e presenza di un bias nelle distribuzioni dell'età gestazionale, e il metodo di preparazione dei dati mira proposto a affrontare tali sfide. Essenzialmente, il metodo coinvolge il concetto di fine-tuning: l'addestramento iniziale utilizza dati sospetti per allenare la rete, e l'addestramento successivo utilizza dati che rappresentano una conoscenza certa per perfezionare le sue prestazioni. La rete scelta è una ResNet i cui parametri sono stati adattati per il compito specifico. I risultati ottenuti superano quelli delle metodologie attuali che hanno esplorato questioni simili, raggiungendo una balanced accuracy dell'80%. Sviluppi futuri dovrebbero mirare a potenziare la robustezza, l'interpretabilità e l'efficienza della metodologia proposta, contribuendo alla sua applicabilità in scenari clinici reali.